马余刚、孔祥进课题组与合作者提出光量子芯片自动设计新方法

——当人工智能学会“搭积木”：自动寻找光路中的通用酉变换方案

近日，马余刚院士的核光子学课题组与合作者在光量子信息与人工智能辅助算法设计方面取得新进展。团队提出一种由程序合成驱动的自动设计方法，用于寻找通用酉算符在光学硬件中的分解方案。相关研究以《Program-Synthesis-Driven Autodesign of Universal Unitary Operators》为题发表在《物理评论快报》（Physical Review Letters，DOI: 10.1103/49c3-4rp4）。

在量子计算、光学神经网络和集成光子芯片中，“酉算符”可以理解为一种保持信息不丢失的线性变换。要在真实光学芯片上实现它，通常需要把复杂变换拆成一串基本光学元件，例如马赫-曾德尔干涉仪（MZI）。

过去，Reck分解、Clements分解等经典方法已经为这类任务提供了系统方案。但当矩阵维度增大时，可能的操作顺序会迅速变多，人类很难逐一尝试。研究团队关心的是：人工智能能否自己找到新的分解路径，甚至在某些情况下用更少的光学元件完成同样的任务？

为回答这一问题，团队把“程序合成”引入酉矩阵分解。简单来说，就是让AI自动组合基本MZI操作，尝试把复杂的光路混合整理成对角形式；能做到这一点，就说明这串MZI找到了实现原始变换的路径。系统还会从成功方案中提取常见片段，像积木一样反复使用，从而逐渐学会更高效的构造规则。

研究显示，该方法不仅能够重新发现已知的经典分解思路，还能找到不同于传统方案的新型操作顺序。更重要的是，AI在小规模矩阵中学到的规律可以迁移到更大的矩阵任务中，说明它并不是简单记住几个例子，而是在一定程度上学到了可推广的设计方法。

团队还发现，面对具有特殊结构的输入时，AI可以自动给出更省元件的光路方案。例如，对于Householder矩阵或由稀疏矩阵产生的酉变换，系统能够利用矩阵本身的结构减少MZI使用量。

从物理实现上看，更少的MZI元件有助于降低光学插入损耗、校准复杂度和功耗。对于未来大规模可编程光子芯片、光学神经网络和光量子信息处理，这类自动发现的分解规则有望降低硬件实现难度。

这项研究展示了AI辅助科学发现的一种新范式：计算机不只是执行人类写好的方案，而是在物理约束下主动探索新的构造规律。从“人工设计光路”到“自动发现规则”，该工作为通用酉算符设计和集成光子线路优化提供了新的思路。未来，该方法有望进一步拓展至量子计算、量子调控、核物理等领域，为破解复杂问题提供新的技术工具。

复旦大学2024级硕士研究生张翼飞和华为技术有限公司陈东为该论文的共同第一作者，复旦大学/华东师范大学马余刚院士、复旦大学孔祥进青年研究员为该论文的通讯作者。

该研究工作得到了国家科技部重点研发计划、国家自然科学基金等项目的资助，并得到复旦大学CFFF智能计算平台的支持。

原文链接：DOI: 10.1103/49c3-4rp4

图示：程序合成系统把复杂酉矩阵分解任务转化为一串MZI操作搜索。系统在多轮学习中不断尝试候选光路、验证分解效果，并把成功程序中的常见片段压缩成新的可复用“积木”，最终自动发现可推广的光学分解规则。